研发创新推动了中国企业出口吗？:基于“扩展边际”与“集约边际”的实证检验

晏 涛

（国家信息中心，北京100045）

内生增长理论认为，技术创新通过影响企业的技术竞争力进而对其出口绩效产生影响[1]。新新贸易理论认为企业的出口决策主要取决于其自身的生产率水平[2]，而研发创新对于企业生产率增长的重要作用已被国内外相关文献所证实[3][4]。换言之，研发创新影响企业生产率，而生产率对企业出口具有决定作用，因而从生产率的角度考察研发创新对企业出口贸易起到何种作用具有一定的理论和现实意义。

对这一问题的研究近来引起了国内外学者的关注[5][6]，但在实证设计过程中忽略了研发和出口行为之间以及与其影响因素之间可能存在的内生性问题，结果存在一定的偏误。基于此，本文采用能够有效解决变量间内生性问题的倾向得分匹配方法（propensity score matching，PSM）和广义倾向得分匹配方法（general propensity score matching，GPS），分别考察研发创新对中国企业出口决策和出口规模的影响，以试图回答如下问题：研发创新水平对中国企业出口的影响是否体现了“扩展边际”和“集约边际”？具体地，目前中国研发创新投入的提高能否使更多的企业选择出口？能否推动企业出口规模的扩大，研发创新对企业的出口行为发挥怎样的作用？

一、文献回顾

近年来，国外文献集中关注异质企业出口与技术创新的关系，但对出口企业技术创新异质性的研究比较缺乏。Zhao和Li根据中国制造业企业大样本数据，采用logistic模型和联立性分析检验了技术创新与企业出口行为之间的关系，结论发现技术创新对出口倾向和出口增长的影响显著为正[7]。Barrios等发现研发创新对OECD地区出口的影响显著[8]，但Hasan和Raturi证实研发活动对印度出口企业的影响不显著[9]。而Antonietti和Cainelli、Yang和Chen发现研发活动对企业出口贸易有积极影响，但都没有深入揭示研发活动与出口行为之间的因果关系[5][10]。

相比较而言，国内研究更多地关注研发与生产率、出口与生产率之间的关系，而对研发与出口关系的直接研究较为缺乏。官建成等利用213家工业企业调查数据，运用多元回归分析探讨了企业技术创新能力与出口行为之间的关系，结论发现研发创新能力对出口比率的贡献很小，而组织创新能力对企业出口增长的贡献更为显著[11]。不过他们的研究时间（2002年）较为久远、数据量偏小且运用一般的回归分析，得出的结论对目前的现状参考意义有限。最近的研究中，戴觅等借助于企业出口行为着重考察了研发投入对生产率的影响，并没有关注研发投入如何影响企业出口行为[12]。

另外，一些国内学者在分析市场分割、基础设施等要素与企业出口行为之间的关系时，间接地揭示了研发对出口行为的影响。张杰等考察地区间的市场分割如何影响企业出口时发现，外资企业创新能力和出口之间呈现显著的负向关系[13]。盛丹等采用Heckman两阶段方法考察基础设施对中国企业出口行为的影响时证实，研发投入对企业出口决策和出口数量产生负向影响，并揭示出研发投入影响企业出口行为的所有制差异：对外资企业存在积极影响，而对内资企业呈负向作用[1]。

一直以来，在实证研究研发创新与出口贸易之间的关系时，内生性问题鲜有处理。变量之间相互影响和遗漏变量问题是较为普遍的内生性原因。近来的研究开始使用工具变量法[1]，或动态面板GMM方法处理内生性问题[13]，但是，越来越多的研究者意识到仅仅依赖计量技术本身来消除实证研究中的内生性问题并不容易[14]。在处理内生性问题上，近来PSM和GPS方法的优势得到了越来越多学者的认可[15]，因此，本文也将发挥这两种方法各自的优势，对这一问题进行深入剖析，一方面为国内外已有研究提供新的经验证据，另一方面也为政府相关部门完善出口促进政策，特别是为进一步深化企业研发创新提供理论基础和实证支持。

二、数据来源与研究方法

（一）数据来源与处理

本文数据来源于中国工业企业数据库，包括全部国有和规模以上（年主营业务收入500万元以上）非国有工业法人企业数据。由于仅在2005～2007年间有研发投入数据，所以选择该时间段为样本区间。该数据库中的一些样本存在错漏、异常值问题，因而尽可能剔除不符合企业会计规则或有明显错误的样本。最终得到722 474家符合要求的企业数据，这为PSM实证检验奠定了数据基础。

另一方面，为了采用GPS考察研发创新投入深度对出口规模变化的影响，进一步剔除研发投入为零、出口交货值为零的样本，最终得到27 030家符合要求的企业。由于GPS方法会基于匹配变量自行匹配，所以不会造成样本选择性偏误[16]。

（二）倾向得分匹配方法和广义倾向得分匹配方法

从经验研究和事实依据来看，一方面企业出口行为可能是企业实施研发策略的原因[12]，如政府支持企业走出去的各种研发补贴政策，刺激非研发企业开始实施研发，而对研发企业而言则有助于提高研发创新投入比例，深化研发创新行为；另一方面研发创新可能是企业做出出口决策或扩大出口规模的原因[6][14]，即实施研发创新的企业充分利用研发经费进行技术创新，从而有助于劳动生产率的提高以及做出出口决策和出口规模的扩大。因而研发创新与企业出口行为相互影响，如果仅采用OLS方法解释就可能存在内生性问题，进而存在估计偏误。

如何准确模拟研发企业在未研发状态的“反事实情形”，成为衡量企业研发创新的出口效应差异、消除内生性估计偏差的关键。Rosenbaum和Rubin提出了一个精妙的解决办法[17]，也是对PSM方法基本思想的经典阐述：在评估处理变量（研发创新决策）对结果变量（出口决策）的处理效果时，通过控制相关的企业特征（匹配变量）获得企业实施研发的倾向得分，以此进行条件匹配，使得研发创新企业（处理组）尽可能地模拟在非研发（对照组）情形下的企业出口状态，进而比较这两组企业在出口方面存在的差异。由于近似于比较同一家企业在不同研发状态下的出口状态差异，所以可以确认这种差异是由研发创新引起的。

本文PSM的处理变量为研发创新决策变量，以样本库中的“研究开发费”指标衡量，若其大于0，则为研发创新企业，否则为非研发创新企业。结果变量为出口决策变量，以样本库中的“出口交货值”指标衡量，若其大于0，则为出口企业，否则为非出口企业。以下对PSM方法步骤进行归纳：

首先，用probit模型估算倾向得分。在寻找对照组的过程中，仅通过一种特征往往无法达到满意的匹配效果，为此，需要通过一些特殊的方法将多个特征浓缩成一个指标——倾向得分值，从而使多元匹配成为可能。具体而言，首先要将企业实施研发策略之前的特征变量合成一个得分，见式（1）：

其中，P（rdi＝1｜Xi）表示控制匹配变量条件下，企业实施研发创新的概率，即倾向得分；X表示处理组可观测的企业特征（匹配变量）；rdi是二元处理变量，等于1为处理组企业，否则为对照组企业。

其次，处理组平均处理效应的衡量及其匹配方法的选择。就企业i而言，假设其倾向得分已知，则根据下式可计算出处理组的平均处理效果ATT（average effect of treatment on the treated）：

其中，NA是研发企业数，A代表匹配后的处理组，YAi、YBj分别表示处理组和对照组中第i个、第j个企业观测到的结果，λ（pi，pj）表示权重函数，选择 Kernel匹配方法和pj分别表示处理组企业i和对照组企业j的预测概率值，G（·）服从高斯正态分布，αn为窗宽参数。

最后，对匹配变量和匹配效果进行匹配平衡性检验，检验匹配方法是否符合平衡性要求，不符合则需要重新选择匹配方法。

本文不仅分析研发创新对出口的“扩展边际”效应，即研发创新对企业出口决策的影响，而且希望能够进一步分析是否存在一个最优的研发创新投入水平，在此水平上可以实现最优的出口规模增长。然而，PSM方法仅适用于二元处理变量，无法处理连续型处理变量。Hirano和Imbens将PSM方法中的二元处理变量一般化，提出了GPS方法[18]。该方法具有以下优点：一是延续了PSM方法解决变量间内生性问题的特点，二是无需对处理变量离散化处理，从而更充分利用样本信息[16]。基于此，我们可以使用该方法将研发创新变量扩展为连续型处理变量，从而更加详尽地检验研发创新对出口的“集约边际”效应。

应用GPS方法前，首先需要定义处理变量和结果变量。处理变量为研发密集度（研发创新投入深度），使用企业研究开发费与工业销售产值的比值表示；结果变量为ΔYt＝Yt-Yt-1，其表示企业出口密集度的动态变化（“集约边际”效应），即将企业当年出口密集度与其上一年度的出口密集度的差额作为结果变量，其中出口密集度以企业出口交货值与其工业销售产值的比值度量。按照Hirano和Imbens的研究[18]，具体操作过程如下：

第一步类似于PSM方法，即控制匹配变量集X条件下，运用极大似然法估计出连续型处理变量R的条件概率分布，估算出口企业的广义倾向得分Si：

第二步利用连续型处理变量R与上一步得到的企业广义倾向得分Si构建回归模型，计算结果变量ΔYi的条件期望值，公式如下：

需要说明的是，是否加入R与S的平方项及其交互项，视具体估计结果的显著性而定。

第三步是将上一步的估计系数βi代入下式，估计当处理变量处于r水平时结果变量的平均期望值：

（三）匹配变量选取

除了已经确定的代表企业研发创新和出口行为的处理变量和结果变量外，还必须根据条件独立性要求，选取可能造成样本选择偏差的匹配变量，即共同影响企业研发创新与出口行为的企业特征。在相关经验研究的基础上[1][5][6]，并结合我国工业企业特殊生存之道和发展环境，选定如下匹配变量：

中药制剂多成分的性质必然是以单个成分性质为基础，以“印迹模板”为“药素”特征的集合体，由于各成分的理化性质迥异，宏观上体现出多“药素”的混相体系，理化参数表现出表观性而非特征性，如溶解度、pH值、渗透系数、分配系数及药物动力学参数等，可按超分子“功能单体”聚合体进行研究，而非目前所表征的单成分的理化性质。中药制剂研究应基于“单成分-成分群-生物体”的“印迹模板”间的超分子间作用关系及“药素”特征规律，按超分子化学研究中药成分群的聚集体的理化性质将是中药制剂理论不可或缺的重要组成部分。

1.企业全要素生产率（tfp）。以Melitz为代表的新新贸易理论认为企业生产率是企业出口行为选择的决定因素，也是企业创新的目的[2]。我们在模型中加入全要素生产率这一变量，以考察中国企业的出口行为是否符合新新贸易理论的假说，并检验研发创新是否有助于生产率进步。本文使用Levinsohn-Petrin半参数方法测算TFP（取对数值）。

2.企业规模（size）。新国际贸易理论的核心在于强调规模经济对出口具有促进作用，而企业规模通常会影响企业研发创新能力，中小企业往往没有更多的能力从事自主研发活动。因此，考虑到规模经济可能影响企业的出口和研发创新能力，有必要对企业规模因素进行考察。使用企业年平均从业人数的自然对数来衡量。

3.企业资产流动性（liquid）。资产流动性反映了企业的融资约束状况，一般地，企业资产流动性越充裕出口能力越强，因为资产流动性较好的企业能够购买更为先进的生产设备从而增强参与国际化市场的产品竞争力，进而有助于出口规模的扩大。为此，我们加入资产流动性变量，以检验资产流动性的作用方向。使用工业数据库中（流动资产-流动负债）／总资产来衡量企业资产流动性水平。

4.政府支持（subsidy）。政府为鼓励企业进行研发创新和出口，往往会给予相应的财政支持（研发补贴、出口补贴、税收优惠等），这些补贴收入对企业研发创新及出口能否发挥预期作用需要进一步检验。使用企业是否获得“补贴收入”表示政府支持。

5.是否为国有企业（state）。考虑到国有与非国有企业的研发创新和参与国际化市场竞争的动力可能存在差异，有必要对此进行检验。本文以企业实际控股类型为依据，如果国有资本占比大于其他类型资本，则为国有企业，state取1，否则为非国有企业，state取0。

6.是否为外资企业（foreign）。有外资参与的企业可能更熟悉国外市场或更容易从国外获得技术支持，因而其研发创新和出口倾向可能更高。然而根据我国地方政府FDI竞争现状，外资企业可能不愿意将研发部门随同生产部门一并进驻，若外资企业的研发部门主动或被限制在母国，那么在我国的研发创新投入就很可能被弱化。因此外资企业的研发行为也是本文重点观察的对象之一。以企业实际控股类型为依据，将港澳台地区投资企业和外商投资企业都归为外资企业，其他则为内资企业。

7.企业年龄（age）。一般来说，企业存续时间越长，参与对外贸易和实施研发创新的意识可能越强。使用企业被调查年份-创办年份＋1表示。

三、实证分析

（一）扩展边际效应的实证检验

首先对匹配变量的选择和匹配效果进行匹配平衡性检验。一般认为只要匹配变量标准偏差的绝对值小于20%就不会引起匹配的失效[19]。结果显示，除资产流动性（liquid）变量在匹配后标准偏差不减反增外（仍低于20%），其他匹配变量的标准偏差下降幅度都超过了88%，且各匹配变量的标准偏差的绝对值均显著小于20%，说明匹配后的两组企业在各变量上不存在系统性差别，那么企业出口决策差异的原因只能归结为研发创新。这样就有效地解决了内生性问题。同时也表明本文选取的匹配方法较为恰当，Kernel匹配估计结果是可以信赖的。

表1 样本企业匹配变量均值统计

从研发创新决策变量的边际效应结果来看，模型整体非常显著，且各变量的符号除国有企业和外资企业变量以外，其他均与预期或经验研究一致。全要素生产率和企业规模有助于引致企业研发创新行为，是影响企业研发创新决策的主要因素；资产流动性系数显著为正，说明资产流动性越充裕的企业越有条件进行研发创新，与以往经验研究的结果一致[4][6][20]。政府支持变量系数显著为正表明获得政府补贴的企业比未获得政府补贴的企业实施研发创新决策的概率更高。另外，企业年龄（age）参数估计值显著为正，表明企业经营年限越长，越有意愿和能力进行研发创新行为。这在某种程度上说明新企业可能更缺乏研发创新意识，实施研发创新可能更容易面临融资约束。

表2 研发创新对企业出口的“扩展边际”效应

一些变量的作用方向值得注意。国有企业系数显著为负，表明国有企业在研发创新方面比较缺乏积极性，这可能是政府政策保护与垄断所致。这一结论得到周亚虹等经验研究的证实[6]。同时也可以根据近年来企业研发创新投入与产出数据来理解，据安同良等提供的数据，2006年我国国有和私营企业的发明专利量分别为1 488和1 885件，分别占总量的5.79%和7.34%，与此产生较大反差的是，国有企业有5.02%的科技活动经费来源于政府资金，相比之下，私营企业仅有2.17%[21]。这表明国有企业获得了大多数的研发补贴，但实际并未真正用于研发创新，造成政府研发创新补贴的错配。这种投入与产出极不匹配的事实证实了本文的结论。

外资企业系数显著为负，表明外资企业研发创新动力未达到理论预期。传统观点认为，外资企业可能更熟悉国外市场或更容易从国外获得技术支持，因而其研发创新倾向和实力可能更高，而本文的结论与传统观点大相径庭，这可从以下四个方面来理解：（1）改革开放以来，我国FDI投资总额虽保持世界领先地位，但是外资企业在我国投资的真正动机（躲避关税、靠近消费市场以及利用低廉的劳动力成本）值得深思，并没有将企业的核心部门——研发创新部门随生产部门转入我国，FDI技术溢出有限。（2）以美国为代表的美欧发达国家，对我国仍实行高新技术产品或产品核心技术的出口限制，跨国公司的设立多以非研发部门进驻我国，研发部门主动或被限制在母国，因而外资企业在我国的研发创新意愿有限。（3）表1也显示，参与出口贸易的外资企业中实施研发创新的企业数量低于非研发创新企业数量，这表明外资企业在我国进行研发创新的事实不容乐观。（4）在已有经验研究中，周新苗等证实外资企业（外商投资企业）的研发热情远不如内资企业，技术引进更符合他们的发展战略[22]。他们的研究进一步证实了本文的结论。

以probit估计结果为基础进行条件匹配，得到处理组的平均处理效应达到8.2%，低于OLS方法得出的15.3%估计结果，且T检验值在1%的显著性水平下非常显著。表明解决内生性问题后，研发企业的出口“扩展边际”效应显著存在，研发创新决策对企业出口决策的作用不可忽视。同时也表明PSM方法降低了非匹配方法的高估偏误可能性。

（二）集约边际效应的实证检验

上述PSM检验考察了研发对出口决策的影响，结论显著支持研发对企业出口存在“扩展边际”效应，接下来我们检验不同研发创新深度是否对在位出口企业存在“集约边际”效应。

根据Hirano和Imbens，GPS方法可以消除处理组与对照组协变量上的差异[18]，因此可以利用该方法检验企业研发创新深度与出口密集度变化的因果效应。依据GPS原理，首先对处理变量进行条件概率估计，此时被解释变量为研发密集度，代表着企业不同的研发创新深度；解释变量与PSM方法中的解释变量一致，以便于比较与分析，利用其计算出样本企业的倾向得分。结果显示各解释变量的系数符号及显著性水平均与PSM方法中的结果一致（见表3），仅在系数大小上存在差异，表明研发创新决策变量影响企业研发创新意愿及深度的高度稳定性。

表3 GPS第一步和第二步估计结果

然后将企业出口密集度的变化作为被解释变量，以企业研发密集度作为关键解释变量，同时将上一步估计出的企业研发密集度的条件概率即广义倾向得分变量作为控制变量，然后运用OLS法进行估计。式（4）估计方程中是否加入处理变量R和倾向得分变量S各自的平方项以及两者的交叉项，视其估计系数是否显著而定。结果显示，研发密集度及其平方的估计系数通过5%水平的显著性检验，倾向得分变量S及其平方的估计系数通过10%水平的显著性检验，而两者的交互项未能通过10%水平的显著性检验，因此最终从（5）式中剔除两者的交互项变量，并以此为基础进行第三步估计。由于该式的估计只是为了得到下一步估计所需的系数，所以就此直接进入下一步估计。

第三步估计被视为GPS方法的核心和结果，首先将处理变量R的取值范围划分为多个子区间，这里将研发密集度（缩尾后）划分为18个子区间，然后在每个子区间里都估计出不同研发密集度对应的出口密集度变化的因果效应。将不同取值范围下的因果效应用实线连接起来，即可得到因果效应函数关系图（如图1所示）。

图1 研发密集度与出口密集度变化的“集约边际”效应

结果显示，研发创新对企业出口产生比较强烈的“集约边际”效应，但并不表现为一般的直线正相关关系，表明深入研发创新是扩大企业出口规模的必要非充分因素，实施研发策略未必一定能促进出口规模的扩大，只有当研发创新投入达到一定深度时才会产生持续稳定的“集约边际”效应，否则其对出口规模增长的作用不仅有限，甚至可能弱化这一增长效应。根据研发密集度对出口密集度变化的影响效应符号及变化趋势将动态影响划分为三个阶段：当企业研发密集度低于0.02%时，虽然其对企业出口密集度变化的影响显著为正，但作用有限，且不可持续。从短期来看，这一阶段的研发密集度水平虽然过低，但是对企业出口规模的扩大作用显著存在，在循环累积的作用下，不断扩大的出口规模进一步壮大企业规模，如果企业想要维持或扩大现有出口份额，不得不提升凝结在产品中的核心竞争力，而核心竞争力的获得离不开研发创新水平的逐步深化。因而从长期来看，研发创新水平不可能永远停留在过低水平的第一阶段，为适应企业发展需要，深化研发创新势在必行，换言之，研发创新投入在这一阶段的表现是不可持续的，必然向较高的研发创新水平发展。而当企业研发密集度在0.02%～0.4%范围内时，其影响效应显著为负，表明这一区间内的研发创新投入均不利于企业出口规模扩大。原因可能在于研发创新投入不足，导致生产率转化能力受限，牺牲的研发创新投入不仅不能有效转化为技术进步，反而增加企业出口成本，陷入“伪创新”市场跟随陷阱。不过，在研发创新投入超过某一临界值之后（高于0.4%）的第三阶段，这一影响效应又显著为正，且呈持续上升趋势。可见，只有合理有效的研发密集度才能对出口密集度变化产生积极稳定的长期增长效应。

工业数据库显示，2007年中国出口企业平均研发密集度仅为1.49%，远低于同期美国的2.67%和日本的3.58%[23]，并且研发密集度低于0.4%的企业约占总样本的49.53%，表明近一半国内出口企业的研发创新投入过低，对出口“集约边际”的贡献处于影响效应有限或为负向的初级阶段，若要保持出口密集度的长期稳定增长，就必须将研发密集度提高至0.4%以上。只有研发创新投入达到一定的深度，即随着知识资本积累的不断强化，对技术进步、产品优化、成本降低才能发挥越来越大的作用。

四、结论与启示

本文基于2005～2007年全国工业企业数据检验了研发创新与企业出口行为之间的关系，发现实施研发创新的企业更容易选择出口。同时对于出口企业而言，研发创新投入的深化能够扩大它们的出口规模。这说明对于我国工业企业而言，研发创新策略的实施与研发创新投入的深化分别有利于企业出口贸易的“扩展边际”和“集约边际”。一方面，PSM方法对“扩展边际”效应的估计结果显示，企业研发创新使其出口概率平均增加8.2%，显著低于15.3%的非匹配的OLS估计结果，表明研发创新行为对出口决策具有显著的促进作用。另一方面，GPS方法详细刻画了研发密集度对企业出口密集度变化的影响，发现研发创新投入必须达到一定的深度才能对企业出口规模变化产生积极稳定的作用，否则其对出口规模增长的作用不仅有限，甚至可能弱化这一增长效应。

此外我们还发现，全要素生产率、企业规模、资产流动性、政府支持及企业存续时间均有利于企业研发创新决策及研发创新深度的提高；非国有企业的研发创新意识和动力显著强于国有企业；外资企业研发创新动力未达到理想中的预期水平。

研发创新对企业出口行为的双重促进作用表明，我国工业企业应充分重视研发创新行为对企业参与国际化竞争、扩大出口规模的作用。特别地，国有企业在研发创新中没有发挥应有的优势，创新意识与创新动力不足的现状亟需改善。另外，外资企业在我国建立研发部门、提高研发创新投入的现状不容乐观，必须优化地方政府FDI竞争规则，转变外资引入方向，政策激励外资企业的研发部门进入、研发经费投入和研发人员的进入。另外，我国绝大多数工业企业的研发创新投入仍较低，不仅可能弱化企业出口增长效应，而且可能增加企业出口负担，陷入“伪创新”市场跟随陷阱。因此，积极引入政府支持，提高银行信贷支持力度以提高企业资产流动性，进而保持企业研发创新投入的合理有效规模，争取发挥“集约边际”极大效应。

[1]盛丹，包群，王永进.基础设施对中国企业出口行为的影响：“集约边际”还是“扩展边际”[J].世界经济，2011，（1）：17—36.

[2]Melitz，M.J.The Impact of Trade on Intra-industry Reallocations and Aggregate Industry Productivity[J].Econometrica，2003，71（6）：1695—1725.

[3]Mairesse，J.，Sassenou，M.R＆D and Productivity：A Survey of Econometric Studies at the Firm Level[Z].NBER Working Paper，No.3666.1999.

[4]周亚虹，贺小丹，沈瑶.中国工业企业自主创新的影响因素和产出绩效研究[J].经济研究，2012，（5）：107—119.

[5]Antonietti，R.，Cainelli，G.The Role of Spatial Agglomeration in a Structural Model of Innovation，Productivity and Export[J].The Annals of Regional Science，2011，46（3）：577—600.

[6]汤二子，孙振.研发对企业出口贸易的影响研究[J].研究与发展管理，2012，（6）：87—95.

[7]Zhao，H.X.，Li，H.Y.R＆D and Export：An Empirical Analysis of Chinese Manufacturing Firms[J].The Journal of High Technology Management Research，1997，8（1）：89—105.

[8]Barrios，S.，Görg，H.，Strobl，E.Explaining Firms’Export Behavior：R＆D，Spillovers and the Destination Market[J].Oxford Bulletin of Economics and Statistics，2003，65（4）：475—496.

[9]Hasan，R.，Raturi，M.Does Investing in Technology Affect Exports？[J].Review of Development Economics，2003，7（2）：279-293.

[10]Yang，C.H.，Chen，Y.H.R＆D，Productivity，and Exports：Plant-level Evidence from Indonesia[J].Economic Modelling，2012，29（1）：208—216.

[11]官建成，马宁.我国工业企业技术创新能力与出口行为研究[J].数量经济技术经济研究，2002，（2）：103—106.

[12]戴觅，余淼杰.企业出口前研发投入、出口及生产率进步——来自中国制造业企业的证据[J].经济学（季刊），2011，（1）：211—230.

[13]张杰，张培丽，黄泰岩.市场分割推动了中国企业出口吗？[J].经济研究，2010，（8）：29—41.

[14]郑新业，王晗，赵益卓.“省直管县”能促进经济增长吗？——双重差分方法[J].管理世界，2011，（8）：34—45.

[15]苏振东，洪玉娟.中国出口企业是否存在“利润率溢价”——基于随机占优和广义倾向得分匹配方法的经验研究[J].管理世界，2013，（5）：12—34.

[16]Kluve，J.，Schneider，H.，Uhlendorff，A.，Zhao，Z.Evaluating Continuous Training Programmes by Using the Generalized Propensity Score[J].Journal of the Royal Statistical Society：Series A （Statistics in Society），2012，175（2）：587—617.

[17]Rosenbaum，P.，Rubin，D.Constructing a Control Group Using Multivariate Matched Sampling Methods That Incorporate the Propensity[J].The American Statistician，1985，39（1）：33—38.

[18]Hirano，K.，Imbens，G.W.The Propensity Score with Continuous Treatments[Z].UC Berkeley and NBER，2004.

[19]Smith，J.，Todd，P.Does Matching Overcome LaLonde’s Critique of Nonexperimental Estimators[J].Journal of Econometrics，2005，125（1-2）：305—353.

[20]韩旺红，马瑞超.FDI融资约束与企业创新[J].中南财经政法大学学报，2013，（2）：104—110.

[21]安同良，周绍东，皮建才.补贴对中国企业自主创新的激励效应[J].经济研究，2009，（11）：87—99.

[22]周新苗，唐绍祥.自主研发、技术引进与企业绩效：基于平均处理效应估计的微观考察[J].财贸经济，2011，（4）：104—110.

[23]李宾.国内研发阻碍了我国全要素生产率的提高吗？[J].科学学研究，2010，28（7）：1035—1042.